基于电视录音构建大规模日语 ASR 语料库
声音
2021-03-30 v1 计算与语言
音频与语音处理
摘要
本文提出一个新的大规模日语语音语料库，用于训练自动语音识别（ASR）系统。该语料库包含超过2000小时语音及转写文本，构建自日本电视录音及其字幕。我们在此开发了一种迭代工作流，基于传统的轻监督音频-文本对齐方法，从电视录音中提取匹配的音频与字幕片段。我们使用基于日本TEDx演讲视频构建的评估数据集评估用本语料库训练的模型，并确认其性能优于使用日语自发语音语料库（CSJ）训练的模型。实验结果显示了我们的语料库在训练ASR系统中的实用性。该语料库连同用于训练本文所报告模型的Kaldi脚本一并向公众研究社区开放。
引用
@article{arxiv.2103.14736,
title = {Construction of a Large-scale Japanese ASR Corpus on TV Recordings},
author = {Shintaro Ando and Hiromasa Fujihara},
journal= {arXiv preprint arXiv:2103.14736},
year = {2021}
}